Η μηχανική μάθηση μπορεί να προβλέψει με ακρίβεια το φύλο ενός επιστήμονα με βάση μόνο τα δεδομένα αναφορών PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.

Η μηχανική μάθηση μπορεί να προβλέψει με ακρίβεια το φύλο ενός επιστήμονα με βάση μόνο τα δεδομένα παραπομπών

Συλλογικό αποτέλεσμα: οι διαφορές μεταξύ των φύλων στα δίκτυα παραπομπών μπορεί να οφείλονται στο φαινόμενο «οι πλούσιοι γίνονται πλουσιότεροι» όπου οι πιο γνωστοί ερευνητές λαμβάνουν μεγαλύτερη πίστωση. (Ευγενική προσφορά: Shutterstock/aelitta)

Οι γυναίκες και οι άνδρες έχουν τόσο διαφορετικά μοτίβα αναφορών που είναι δυνατό να προβλεφθεί με ακρίβεια το φύλο ενός επιστήμονα μόνο από τέτοια δεδομένα. Αυτό είναι το εύρημα μιας νέας μελέτης που διερευνά πώς οι άνδρες και οι γυναίκες αναφέρουν –και αναφέρονται από– τις κοινότητές τους (Proc. Natl. Ακαδ. Sci 119 e2206070119).

Με επικεφαλής τον επιστήμονα δικτύου Κριστίνα Λέρμαν από το Πανεπιστήμιο της Νότιας Καλιφόρνια, οι συγγραφείς μελέτησαν 766 μέλη των Η.Π.Α Εθνική Ακαδημία Επιστημών (NAS), που περιελάμβανε 120 γυναίκες. Ταίριαξαν τους μελετητές με τα προφίλ τους στο Microsoft Academic Graph, το οποίο περιέχει μεταδεδομένα για περισσότερες από 150 εκατομμύρια ακαδημαϊκές δημοσιεύσεις.

Αφού εντόπισαν το φύλο των επιστημόνων ελέγχοντας τις αντωνυμίες στις βιογραφίες του ατόμου, οι ερευνητές δημιούργησαν ένα «δίκτυο παραπομπών του εγώ» για κάθε επιστήμονα. Αυτό περιείχε «κατευθυντικούς συνδέσμους», υποδεικνύοντας ποιους άλλους επιστήμονες –που αντιπροσωπεύονται από κόμβους– είχε αναφέρει το άτομο και ποιους επιστήμονες τους είχαν αναφέρει.

Είναι γνωστό ότι οι γυναίκες επιστήμονες λαμβάνουν λιγότερες αναφορές από τους άντρες ομολόγους τους, αλλά η νέα μελέτη αποκαλύπτει ότι οι γυναίκες ανταποδίδουν σημαντικά υψηλότερο ποσοστό αναφορών από τους άνδρες. Το δίκτυο των γυναικών έχει επίσης περισσότερη «συνδεσιμότητα», υποδηλώνοντας ότι οι γυναίκες τείνουν να εργάζονται σε πιο στενά συνδεδεμένες ερευνητικές κοινότητες.

Η μελέτη διαπίστωσε επίσης ότι οι γυναίκες έχουν λιγότερους συναδέλφους –αν και αυτοί τείνουν να είναι ιδιαίτερα παραγωγικοί συνάδελφοι– και ότι οι γυναίκες έχουν μεγαλύτερο ποσοστό γυναικών επιστημόνων στα δίκτυά τους.

Οι πλούσιοι γίνονται πλουσιότεροι

Στη συνέχεια, οι ερευνητές εκπαίδευσαν έναν αλγόριθμο μηχανικής μάθησης στο 75% των δεδομένων που επιλέχθηκαν τυχαία. Χρησιμοποιώντας το υπόλοιπο 25% για να δοκιμάσουν το σύστημα, διαπίστωσαν ότι ο αλγόριθμος μπορεί να προβλέψει με ακρίβεια το φύλο ενός επιστήμονα με βάση τα δίκτυα παραπομπών – κάνοντας το σωστά περίπου το 80% των περιπτώσεων.

Τα δίκτυα παραπομπών έδειξαν λίγες σημαντικές διαφορές με βάση το κύρος ενός ιδρύματος που συνδέεται με τον συγγραφέα, αν και η ιδιότητα μέλους του NAS είναι πολύ λοξή προς τα πιο αναγνωρισμένα ινστιτούτα. Οι ερευνητές διαπίστωσαν επίσης ότι οι γυναίκες υποεκπροσωπούνται και στους επτά τομείς που εξέτασαν. Μόλις το 8% των φυσικών του NAS ήταν γυναίκες – το χαμηλότερο ποσοστό όλων των πεδίων που μελετήθηκαν.

Ο Lerman πιστεύει ότι οι διαφορές μεταξύ των φύλων στα δίκτυα παραπομπών θα μπορούσαν να οφείλονται σε δύο πτυχές. «Υπάρχει μια προτίμηση και από τα δύο φύλα να αναφέρουν άνδρες και η προνομιακή προσκόλληση - ή το φαινόμενο «οι πλούσιοι γίνονται πλουσιότεροι» - είναι ο γνωστός μηχανισμός ανταμοιβής στην επιστήμη, όπου οι ήδη πιο γνωστοί ερευνητές λαμβάνουν περισσότερα εύσημα», λέει. . «Τώρα εργαζόμαστε πάνω σε ένα χειρόγραφο που δείχνει πώς μπορεί να προκύψει μεγάλη διαφορά μεταξύ των φύλων από αυτά τα στοιχεία».

Σφραγίδα ώρας:

Περισσότερα από Κόσμος Φυσικής